Développement d'une méthode d'apprentissage profond (deep learning) appliquée au recyclage des matériaux - Solaize (69) ou Rueil-Malmaison (92) 

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Développement d’une méthode d’apprentissage profond (deep learning) appliquée au recyclage des matériaux

IFPEN développe des procédés innovants et éco-efficients pour la production d’énergie, par exemple, la production de carburants et d’intermédiaires chimiques. Ces procédés mettent en œuvre un volume important de matériaux à base de métaux (catalyseurs hétérogènes).  

Dans le contexte actuel de transition énergétique, il est nécessaire d’économiser les ressources en métaux, de rentabiliser leur utilisation et de limiter la production de déchets. Le recyclage des catalyseurs via leur régénération, répond à alors cette attente d’économie circulaire.     

Description du projet

Il s'agit de mettre au point une méthodologie d'analyses de données pour prédire le potentiel de régénération des catalyseurs usés, à partir de leurs seules caractérisations physico-chimiques (DRX, isotherme d’adsorption d’azote, etc.).  

Le stagiaire explorera des méthodes de fusion de données hétérogènes pour intégrer les différentes données d'entrée. Il mettra ensuite en œuvre des approches de deep learning afin de prédire l’activité des catalyseurs après régénération.  

Le stagiaire sera aussi amené à enrichir le jeu de données via un travail expérimental de caractérisation et de régénération des catalyseurs usés.  

Profil recherché

Ecole d’ingénieur / Master Mathématiques appliquées, Informatique, Science des Matériaux Ex : EPISEN – ISBS / PHELMA / ENSIMAG / Central / Master MVA, etc

• L’étudiant devra montrer une double compétence en science des données ou chimie des matériaux, ou a minima une compétence avérée en science des données et appétence pour la caractérisation des matériaux. 
• Il devra montrer des capacités d’autonomie et de travail en équipe pour être en mesure d’interagir avec ses interlocuteurs multidisciplinaires.

Localisation : De préférence Solaize (69360) mais envisageable à Rueil-Malmaison (92500) 

Annonces similaires

Mise en œuvre de systèmes de mesure mécanique pour la détermination d'indicateurs sur l'état de dégradation des batteries Li-ion

IFP Energies nouvelles - Lyon

Stage Sciences des Matériaux Rhône entre mars et avril 2027 6 mois

Synthèse de catalyseurs hétérogènes acido-basiques adaptés à la conversion des sucres

IFP Energies nouvelles - Lyon

Stage Sciences des Matériaux Rhône entre février et juillet 2027 de 5 à 6 mois

Catalyseurs bifonctionnels à base de solides cœur-coquille pour le recyclage de plastiques

IFP Energies nouvelles - Lyon

Stage Sciences des Matériaux Rhône entre février et juillet 2027 de 5 à 6 mois

Étude du vieillissement de l'isolation des câbles pour le transport d'électricité dans l'éolien offshore

IFP Energies nouvelles - Lyon

Stage Sciences des Matériaux Rhône entre mars et août 2027 6 mois

Application de la méthode des points matériels (MPM) à la modélisation de phénomènes mécano-chimiques dans les batteries

IFP Energies nouvelles - Lyon

Stage Sciences des Matériaux Rhône mars 2027 6 mois